Enseñando IA en salud: Esbozo de un programa. Parte II

Por Luis Eduardo Pinto, médico y docente de la Universidad Von Humboldt de Armenia, miembro de AIpocrates.

Siglas utilizadas en esta entrada

ChGML: Chatbots basados en GML

GML: Grandes modelos de lenguaje

IA: Inteligencia Artificial

IAG: Inteligencia Artificial Generativa

ML: del inglés Machine Learning: Aprendizaje Automático o de Máquina

PLN: Procesamiento de Lenguaje Natural

Resumen

La mera proposición de resultados de aprendizaje y actividades no genera per se una incorporación efectiva de la IA. Resulta imprescindible establecer espacios concretos que faciliten el desarrollo y la puesta a prueba de las capacidades de docentes y estudiantes en el uso de la IA. Así mismo, el proceso debe ser promovido desde la administración académica y apoyarse en un trabajo colaborativo y complementario entre diversas partes interesadas. Esta segunda entrega es una propuesta en esas direcciones.

Introducción

Hace una semana explicitamos objetivos educativos y tipos de conocimiento de la taxonomía de Bloom aplicados a la enseñanza de la IA y sugerimos actividades que podían ofrecer contextos problemáticos significativos y estimulantes para que estudiantes y docentes se aproximen a la IA (Figura 1). (1) En esta entrega proponemos algunas estrategias accionables para que docentes y estudiantes adopten IA, identificamos algunos retos que las instituciones de educación en salud deben considerar y enunciamos algunos pasos iniciales que los programas podrían considerar para incorporar IA a los procesos educativos. 

Figura 1. Resumen de objetivos educativos en IA para pregrados de salud y actividades sugeridas para alcanzarlos. (1) Los objetivos deben buscarse en un orden de complejidad creciente, deben ser específicos, factibles y útiles para el aprendiz.

Incorporación de IA a nivel de docentes y estudiantes

Hay pocos programas reportados sobre incorporación de IA al currículo médico (2) pero es claro que los docentes deberán adaptar sus roles para trabajar con sistemas de IA y así impulsar el aprendizaje de sus estudiantes. (3) A medida que los futuros médicos se preparan para interactuar con estos sistemas, los avances más recientes apuntan hacia una interacción más multimodal y «personalizada».

Los chGML se especializan en tareas de PLN, como traducir, resumir, generar texto y código, así como recuperar e identificar información específica y responder preguntas en contexto. (4) A medida que aumenta la complejidad de los modelos de IA, surgen habilidades superiores, como el razonamiento. (5) Estas habilidades básicas permiten a los docentes ahorrar tiempo, esfuerzo y mejorar la calidad de las actividades centradas en habilidades de bajo nivel cognitivo, lo que les permite concentrarse en promover habilidades más avanzadas.

Se puede explorar la inclusión de cursos extracurriculares, utilizar las asignaturas como contexto para la aplicación y evaluación crítica de la IA y utilizarla para mejorar los procesos de desarrollo curricular y evaluación de estudiantes y programas. Algunas estrategias para empezar a incorporar IA en el aula se presentan en la tabla 1. Para una revisión integrativa y más exhaustiva sobre usos de aplicaciones de IA en educación en salud y los retos de su implementación ver (6), y sobre actividades concretas de enseñanza  ver(7).

Tabla 1. Estrategias de incorporación de IA a nivel de docentes y estudiantes.

Estrategia de incorporación	Descripción
Enfoque en habilidades superiores y complejidad	Cuando el docente se enfoca en desarrollar habilidades cognitivas como aplicar, analizar, evaluar y crear, encuentra útil delegar las habilidades de nivel cognitivo inferior a herramientas de IAG, como los GML, para hacerlo de manera más efectiva y eficiente.
	Al enfocarse en abordar problemas complejos, se hace evidente la necesidad de pensar algorítmicamente y manejar datos masivos para tomar decisiones bajo incertidumbre. La IA fue concebida precisamente para cumplir con estos propósitos.
Incorporación transversal    en el currículo	Docentes de cualquier asignatura pueden presentar ejemplos concretos en los que el estudiante reconozca, comprenda y aplique conceptos de IA/ML así como orientarlos al uso responsable y efectivo de la IAG; docentes de investigación pueden enseñar a sus estudiantes qué problemas se pueden resolver con IA, apreciar críticamente reportes de investigación que involucren IA/ML e implicar estudiantes en anteproyectos y proyectos de investigación con IA/ML. Los clínicos pueden promover el uso juicioso de sistemas de diagnóstico, predicción y decisión basados en IA al tiempo que promueven el uso de aplicaciones y wearables electrónicos para mejorar el monitoreo de la salud de sus pacientes.
Cursos electivos	Los programas pueden proponer cursos electivos dirigidos a los miembros de la comunidad académica con objetivos como los planteados aquí, sin afectar sus planes de estudio vigentes. Una colaboración interinstitucional puede sumar esfuerzos para viabilizar estos esfuerzos más ágilmente.
Desarrollo profesional permanente	Se enfoca en habilidades necesarias para mantenerse actualizado sin tener que convertirse en un erudito en IA. Una colaboración interinstitucional puede sumar esfuerzos para viabilizar estos esfuerzos más ágilmente.
Guías para el uso efectivo y responsable de IA/ML	La creación, adaptación o adopción de lineamientos y recomendaciones instruye a docentes y estudiantes sobre los principios esenciales de la IA/ML, sus aplicaciones, alcances, beneficios, limitaciones, riesgos y precauciones asociados con su empleo académico. Esta estrategia promueve la alfabetización en IA y el desarrollo de una conciencia crítica entre los miembros de la comunidad educativa.
Cursos de Prompt engineering	Docentes y médicos se benefician de aprender técnicas de prompting básico y avanzado para lograr el mejor desempeño posible de los GML. Se dispone de cursos, manuales, artículos y recursos gratuitos que los viabilizan.
Uso de chGML en aprendizaje, evaluación formativa y retroalimentación	Los chGML se utilizan cada vez más en educación, llegando a convertirse en un nuevo compañero avanzado de estudio y un profesor adicional, disponible 24/7. Ofrecen una oportunidad única de brindar retroalimentación sincrónica y asincrónica a los estudiantes. Estos chatbots pueden entrenarse en temas específicos guíados por contextos provistos por el docente.
	ChGML pueden automatizar gran parte de la retroalimentación que los docentes brindan a la evaluación de sus estudiantes, tanto de manera sincrónica como asincrónica.
Verificación de salidas de modelos	Se les puede y debe pedir a los estudiantes que verifiquen las salidas de los modelos promoviendo de este modo su pensamiento crítico.
	Pueden recurrir a herramientas impulsadas por IA para obtener mejor evidencia. Gemini, por ejemplo, ha anunciado que sus modelos médicos identifican conflictos, realizan búsqueda basada en incertidumbre y resuelven conflictos identificados en una búsqueda inicial (2).
	El docente también puede guiar las búsquedas y ayudar a los estudiantes a apreciar críticamente la evidencia encontrada o la manera en que la IA resolvió el conflicto.
Análisis de sentimientos y evaluación de sesgos	para determinar el tono emocional de los textos y la detección de razonamientos sesgados
Simuladores virtuales de pacientes	para la práctica del razonamiento clínico y exámenes clínicos objetivos estandarizados
Plataformas de aprendizaje personalizado	como sistemas de tutoría inteligente
Uso de herramientas de productividad académica impulsadas por IA	Los docentes y los estudiantes se benefician de la utilización de diversas herramientas para dictar texto en lugar de digitarlo, leer óptimamente un artículo, desbloquear su escritura; para la redacción, traducción, parafraseo y chequeo anti-plagio; para la búsqueda y expansión de literatura científica, para la revisión de literatura compilada y para la representación gráfica de conocimiento.
Laboratorios y talleres	dedicados a la práctica y experimentación con tecnologías de IA y ML.
Seminarios interdisciplinarios	que reúnan a expertos de diferentes disciplinas para discutir los desarrollos e impactos de las aplicaciones de la IA en salud.
Opción de grado	Incluir como opción de proyectos de grado, la investigación de IA o con IA en salud.
Mentorías	Donde estudiantes avanzados o profesionales expertos guíen a otros en el uso de IA para educación, investigación o atención en salud.
Cursos online	Tomar cursos en línea específicos sobre IA en salud, accesibles a toda la comunidad académica. Hay muchos disponibles, a bajo costo.
Estancias y pasantías	Ofrecer oportunidades para que docentes y estudiantes realicen estancias y pasantías en laboratorios que trabajen con IA.
IA para optimización curricular	Utilizando nubes semánticas como marco, se pueden identificar conceptos relevantes y sus conexiones dentro de una secuencia curricular. Esto permite que algoritmos de IA determinen qué conceptos son pre-requisitos de otros, asegurando así una estructura lógica y progresiva en el currículo. Además, facilita la identificación de lagunas y redundancias, optimizando el contenido educativo.
Modelado de datos educativos y predicción	Los docentes pueden modelar datos educativos y predecir el abandono y desempeño de sus estudiantes con las debidas precauciones sobre la privacidad de los datos (analítica de desempeño).

Incorporación de IA desde la administración educativa

En nuestra entrega previa (1), explicamos los resultados de aprendizaje y sugerimos actividades para alcanzarlos, sin proponer modificaciones al currículo formal (CF) o explícito, ya que este refleja la oferta educativa, la promesa de valor y el perfil del egresado del programa, y suele ser estable. Los programas enfrentan, no solamente la «estabilidad» o rigidez de su CF, la brecha disciplinaria entre desarrolladores y usuarios finales, sino el desafío permanente impuesto por el currículo oculto (CO) que opera en sus comunidades académicas y que se manifiesta en varios niveles:

Institucional-organizacional: Influencias que operan a nivel de la estructura y la cultura organizacionales, visibles en políticas institucionales, normas, actividades de evaluación, asignación de recursos y lemas (8).

Interpersonal-social: Comportamientos profesionales aprendidos en interacciones con administrativos, pares y pacientes, más allá de las clases. (9, 10)

Contextual-cultural: Aunque ocurre a la sombra del CF, el CO no está bajo su control y surge de diversas actividades de aprendizaje, cargadas de una tradición histórica transmitida a través de la pedagogía. (11, 12)

Motivacional-psicológico: Lecciones aprendidas a través de la transmisión de creencias, valores, actitudes y conductas, determinadas por la motivación de intercambiar conocimiento. (13)

A pesar de que la connotación del CO es negativa, también existe CO positivo, el cual se puede y debe identificar, potenciar y explicitar. Este nace de las iniciativas innovadoras de docentes y estudiantes que introducen formas alternativas de alcanzar objetivos educativos. Sin embargo, el CO institucional es decisivo.

La incorporación de IA en educación médica, promovida desde el nivel institucional, debe ser gradual y acorde al nivel de preparación de la comunidad (Figura 2). Al mismo tiempo, debe ajustarse a condiciones y tendencias externas e internas. Asignar responsabilidades a un departamento o comité puede ser un buen paso inicial.

Es recomendable identificar las áreas específicas en las que la IA puede ser beneficiosa y los retos que enfrenta tanto el sector salud como el educativo. A continuación, evaluar el nivel de alfabetización en IA de la comunidad académica, comprendiendo sus variaciones y trabajando para mejorarlo. Con esta información, se puede determinar la preparación de la institución para adoptar la IA, identificando en qué grado incorporarla, a través de qué modalidades y con qué recursos. Con una comprensión clara de las necesidades y la preparación institucional, se puede desarrollar un plan estratégico para la incorporación de IA tanto en el CF como el CO.

Abordar consideraciones éticas y regulatorias es el siguiente paso. Aspectos como la privacidad del paciente, la seguridad de los datos y advertir la existencia de sesgos en los algoritmos de IA deben ser cuidadosamente gestionados para garantizar un uso responsable y ético de la IA en la educación.

Asimismo, hay que asegurar que la integración de la IA en el programa promueva la equidad educativa y no exacerbe las desigualdades existentes en la educación en salud.

Gestionar la resistencia al cambio en profesionales preocupados por la seguridad laboral o desconfianza en las capacidades de la IA es otro desafío importante. Es fundamental enfatizar la importancia de fomentar la colaboración entre humanos e IA para una integración exitosa.

Finalmente, establecer alianzas colaborativas con otras instituciones y empresas tecnológicas puede proporcionar apoyo adicional, recursos y conocimientos técnicos que faciliten la integración de la IA.

Figura 2. Incorporación de IA a programas de pregrado desde el nivel institucional.

Conclusiones

La rigidez de los CF no puede ser excusa para no incorporar IA en la educación y educación sobre IA en programas de pregrado en salud. Existe un amplio abanico de oportunidades y posibilidades para alcanzar objetivos de aprendizaje con la ayuda de la IA sin modificar aún contenidos curriculares. Aquí sólo sugerimos algunas estrategias iniciales para hacerlo aunque existen más (6, 7) y mejores, y seguirán surgiendo. Reconocemos que, además del CF, el CO puede representar tanto un desafío como una oportunidad para la adopción de la IA, siendo el institucional el más decisivo y de mayor alcance para promoverla sin imponerla.

Declaraciones:

• Se utilizó ChatGPT para optimizar la redacción de varios pasajes del texto.
• No se declara conflicto de intereses.

Referencias bibliográficas

1. Pinto LE. Enseñando IA en salud: Esbozo de un programa. Parte I. AIpocrates. 2024 May 26.
2. Grunhut, Joel et al. Educating Future Physicians in Artificial Intelligence (AI): An Integrative Review and Proposed Changes. Journal of medical education and curricular development vol. 8. 6 Sep. 2021.
3. Elsevier Health. Clinician of the Future 2023: Education Edition. 2023. Available from: https://www.elsevier.com/clinician-of-the-future
4. deeplearning.ai. A complete guide to natural language processing. 2023 Jan 11.
5. Wei J, Tay Y, Bommasani R, Raffel C, Zoph B, Borgeaud S, et al. Emergent abilities of large language models. arXiv preprint arXiv:2206.07682. 2022.
6. Chan KS, Zary N. Applications and challenges of implementing artificial intelligence in medical education: Integrative review. JMIR Med Educ. 2019; 5(1):e13930.
7. Gordon M, Daniel M, Ajiboye A, Uraiby H, Xu NY, Bartlett R, et al. A scoping review of artificial intelligence in medical education: BEME Guide No. 84. Med Teach. 2024;46(4):446-70.
8. Hafferty FW. Beyond curriculum reform: Confronting medicine’s hidden curriculum. Acad Med. 1998; 73:403-7.
9. Rosenbaum ME, Axelson R. Curricular disconnects in learning communication skills: What and how students learn about communication during clinical clerkships. Patient Educ Couns. 2013;91:85-90.
10. Kahn P. The informal curriculum: A case study on tutor reflexivity, corporate agency and medical professionalism. Teach High Educ. 2013; 18:631-42.
11. Thiedke C, Blue A, Chessman A, Keller A, Mallin R. Student observations and ratings of preceptor’s interactions with patients: The hidden curriculum. Teach Learn Med. 2004;16(4):312-6.
12. Balmer DF, Hall E, Fink M, Richards BF. How do medical students navigate the interplay of explicit curricula, implicit curricula, and extracurricula to learn curricular objectives?. Acad Med. 2013;88: 1135-41.
13. Gofton W, Regehr G. What we don’t know we are teaching: Unveiling the hidden curriculum. Clin Orthop Relat Res. 2006; 449:20-7.